FenixEdu™

Dissertação

Explainable Artificial Intelligence for Skin Cancer Detection: A Prototype-Based Deep Learning Architecture with Non-Expert Supervision EVALUATED

Detalhes: Esta tese propõe uma abordagem inovadora para a deteção de cancro da pele através de um modelo interpretável baseado em protótipos de partes. O método aborda as limitações dos modelos caixa-preta em termos de interpretabilidade. Aplicamos esta abordagem a duas tarefas de classificação: distinguir entre lesões de melanoma e nevus e classificar oito tipos distintos de lesões da pele. Ao analisar protótipos de partes que se assemelham a características de diagnóstico da imagem, o modelo fornece explicações que afetam diretamente o seu processo de tomada de decisão. Para melhorar a relevância clínica, incorporamos supervisão não especializada para orientar a seleção de áreas de protótipos relevantes dentro da lesão, excluindo fatores de confusão para além dos seus limites. Isto pode ser alcançado usando: 1) máscaras binárias, obtidas automaticamente utilizando uma rede de segmentação, e 2) protótipos refinados pelo utilizador. Exploramos duas maneiras de integrar a primeira supervisão, incluindo a modificação da função de perda ou a sua integração direta no processo de avanço do modelo. No cenário binário, exploramos uma nova abordagem: ter protótipos apenas para a classe maligna, simplificando as explicações em comparações com apenas esses protótipos. Aprimoramos esta abordagem introduzindo uma nova componente de perda para aumentar a diversidade intra-classe entre protótipos. Os resultados mostram que o modelo interpretável, apesar de inicialmente ter desempenho inferior aos modelos de caixa-preta nos conjuntos de validação, destaca-se na generalização nos conjuntos de teste, especialmente com supervisão ao nível dos protótipos. Isto ressalta a importância da interpretabilidade na melhoria da generalização do modelo.
Keywords: Cancro da Pele, Protótipos, Feedback Humano, Interpretabilidade

Discussão: novembro 27, 2023, 17:0